La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

1 Séminaire doctorant 1 ère année de thèse 25 05 2009 Thèse: Intégration de la prévision de la demande et de loptimisation de la planification de la production.

Présentations similaires


Présentation au sujet: "1 Séminaire doctorant 1 ère année de thèse 25 05 2009 Thèse: Intégration de la prévision de la demande et de loptimisation de la planification de la production."— Transcription de la présentation:

1 1 Séminaire doctorant 1 ère année de thèse Thèse: Intégration de la prévision de la demande et de loptimisation de la planification de la production et de lapprovisionnement Doctorant: Thibault HUBERT Début de thèse : Octobre 2008 Cadre : Allocation de recherche et monitorat. Affiliation à la Chaire Supply Chain Directeur de thèse : Chengbin CHU – Professeur des universités Co-encadrant : Zied JEMAI – Maître de Conférence

2 2 Présentation thématique de recherche Mots clés : Méthodes de prévision & adaptation planification, robustesse & incertitude Thématique : Thème 2 : «Systèmes de production et de distribution de biens et de services» planification de la production et des approvisionnements 1 ère thèse de la Chaire Supply Chain

3 3 Travail en cours – thèse: Intégration de la prévision et optimisation de la planification Intégration de la prévision de la demande et optimisation de la planification de la production et de lapprovisionnement Etat de lart et étude des méthodes de prévisions Méthodologie de choix de méthode de prévision Adaptation dynamique aux caractéristiques de la demande des produits étudiés Optimisation de la planification de la production et de lapprovisionnement Comparaison de trois planifications (à priori, à posteriori, optimale) et qualification de leur robustesse en fonction du coût de leurs inexactitudes. Etude de la planification en univers incertain Incertitude et prévision connue Développement de méthode de planification permettant de minimiser le coût de replanification –Etude cas mono-produit avec comparaison à la politique de lotissement de Wagner-Whitin

4 4 Contexte et enjeux industriels Importance des enjeux logistiques dans tous les secteurs dactivités et importance de la réduction des coûts Augmentation des liquidités par la réduction des immobilisations Amélioration du taux de service Leviers dactions: Amélioration de la prévision de la demande Optimisation de la planification (production et approvisionnement) Participation de cinq entreprises de la CSC pour valider les recherches et apporter des améliorations à leurs processus Deux intérêts Apport scientifique: développement du sujet académique Implication directe des entreprises partenaires: application immédiate des résultats trouvés. Sujet de la thèse

5 5 Problématique et objectifs de la recherche Adaptation de la prévision Rôle crucial Importance de la fiabilité des données dentrée pour les processus industriels et financiers Planification, mise en production, définition du budget Définition dune méthodologie de choix de modèle de prévision adapté au cas étudié afin dassurer une fiabilité donnée. Apport dune dynamique de choix permettant de prendre en compte lévolution des caractéristiques de la demande Optimisation de la planification Nouvelles méthodes de planification production et transports Prise en compte de nouvelles contraintes dont la robustesse à la variabilité des prévisions Utilisation de nouvelles fonctions objectifs Minimisation du coûts de replanification et dajustement de la planification Maximisation du taux de service et de la qualité dévaluation des stocks de sécurité

6 6 Travail en cours – Intégration et utilisation de la prévision Etude des modèles de prévision Bibliographie sur les modèles de prévision, leur suivi et leurs applications [Brown, 1959], [Cogger, 1973], … [Fildes, 2008] Méthodologie de choix de modèles de prévision et intégration Comparaison des modèles [Williams, 1984], [Flores, 1993] Catégorisation de la demande et des modèles [Syntetos et al., 2005] Algorithme de choix de modèles et de méthodes de prévision [Shah et al, 2007] Optimisation du modèle par rapport aux types de demandes [Fleischmann et al., 2002] Dynamique du suivis et de ladaptation des modèles [Tyagi, 2002] Application Carrefour & Danone: Etude des Eaux Gefco: Transport amont avec consolidation sur crossdock PSA: Etude des pièces de rechanges Vallourec: Prévision de comandes dun type de produit

7 7 Travail en cours – Intégration et utilisation de la prévision Proposition dune méthodologie de choix de modèle de prévision Classification des produits Classification par lhistorique Classification par le type de demande Classification par lutilité de la prévision Choix du modèle de prévision et adaptation Choix arbitraire ou comparaison Choix figé, évolutif ou dynamique Adaptation manuelle, automatique, intelligente

8 8 Classification par rapport à lhistorique Existence dun historique Existence de lhistorique dun produit similaire (même caractéristiques de demande) Produit en début de vie (nouveau produit) Analyse de la demande Produit en début de vie (nouveau produit) OuiNon OuiNon Mise en place suivi historique Modèle de Gombertz, Modèle logistique, Analyse de la demande Analogie historique similaire Analyse de la demande Modèle de Gombertz Modèle logistique Analogie historique similaire Analyse de la demande OuiNonOuiNon

9 9 Classification par analyse de la demande Analyse de la tendance Analyse de la saisonnalité Analyse de la continuité de la demande Correction de la saisonnalité et mémorisation ou modèle de Winters Analyse de la saisonnalité Demande avec tendance Moyenne mobile, Lissage exponentiel, Demande sans tendance Analyse de la tendance Demande sans saisonnalité Demande avec saisonnalité Demande continue Demande erratique Analyse de la variabilité de la quantité Analyse de la variabilité de lintermittence … … Analyse de la variabilité de la quantité Correction de la tendance et mémorisation ou comparaison modèle de Holt et de Winters Analyse de la variabilité de la quantité Demande avec faible variabilité en quantité Demande avec variabilité moyenne en quantité Demande avec forte variabilité en quantité Demande avec faible variabilité en quantité Demande avec variabilité moyenne en quantité Demande avec forte variabilité en quantité Demande avec faible variabilité en quantité Demande avec variabilité moyenne en quantité Demande avec forte variabilité en quantité Demande intermittente Délai entre commande peu variable Délai entre commande très variable Délai entre commande peu variable Délai entre commande très variable

10 10 Travail futur – Optimisation de la planification de la production et de lapprovisionnement Deux pistes détude académique envisagées Etude de la robustesse de la planification Comparaison de trois planifications: –La planification a priori (planification réelle avec prévision considéré parfaite) –La planification a posteriori (prévision initiale et son erreur) –La planification optimale, (avec demande réelle a posteriori) Qualification de robustesse des 2 premiers modèles de planification en fonction du coût de leurs inexactitudes. Planification a priori: 5 ruptures Planification a posteriori: 24,5 unités de stock supplémentaire

11 11 Travail futur – Optimisation de la planification de la production et de lapprovisionnement Etude de la planification en univers incertain Incertitude et prévision connue 1 ère planification pour n pas de temps Après t a, 2 ème planification pour n pas de temps Meilleure méthode de planification permettant de minimiser le coût de replanification? –Etude cas mono-produit avec politique de lotissement de Wagner-Whitin

12 12 Travail futur – Optimisation de la planification de la production et de lapprovisionnement Applications CarrefourApprovisionnement en Eaux & Danone GefcoTransport amont avec consolidation sur crossdock PSAGestion des PR VallourecPlanification de production

13 13 Contribution des partenaires 1 ère partie: Prévision Fourniture dun échantillon permettant de tester la méthodologie de choix de modèles de prévision et sa qualité: Famille: Une famille spécifique comportant des produits (demande individuelle quelconque mais demande agrégée des produits non erratique) de caractéristiques similaires Historique: (prévision initiale, prévision finale, demande réelle, explications des événements exceptionnels si nécessaire) sur lhorizon le plus long possible (20 à 50 périodes) Exemples Carrefour & Danone: eaux (gazeuse, plate, forme,…), type et marque bouteilles différents (Vittel (1L), Evian (1L),…) PSA: Demande pour une région (1 magasin national), 1 catégorie (Pièce de rechange de série ou hors série ou gamme complémentaire ou accessoires), 1 type de vente (forte rotation, rotation moyenne, rotation faible), plusieurs produits (SKU) Gefco: Prévision donneurs dordres différents sur un même trajet (magasin 1 – usine 1) avec quantité en unité « normalisée » Vallourec: Demande pour une famille de produits (une matière, un diamètre extérieur, plusieurs longueurs, plusieurs diamètres intérieurs, plusieurs type de finition)

14 14 Questions Travail en cours Thèse – Intégration et utilisation de la prévision Travail futur Thèse – Optimisation de la planification de la production et de lapprovisionnement

15 15

16 16 Personnes rencontrées Carrefour & Danone Corinne HENRY: Responsable Marchandises Liquides Pierre TRICOIRE (Danone Eaux): Prévision et analyse de la demande participation à une réunion projet OSA Carrefour - Danone (10 personnes) DHL André BENAYOUN: IT Directeur DHL Excel PSA Jean CAILLERET Yves FALLOUEY: Responsable logistique PR Denis SAGLIER: Responsable commercial PR Gefco Jean-Marie THOMAS: Responsable commercial Gestion des contenants Nicolas DE VRIES: Responsable commercial Gestion logistique amont Deux réunions spécifiques (5 personnes rencontrées) Vallourec Christian GRY: Responsable logistique _ Chef de projet SCM Nadine FAILLY: Responsable logistique France Demandes des partenaires

17 17 Carrefour & Danone Proposition et évaluation dune méthode de prévision de la demande sur les eaux Développement de méthodes de planification dapprovisionnement (1) DHL Pas de demande spécifique Gefco Proposition et évaluation dune méthode de prévision des besoins en transport (2) PSA Proposition et évaluation dune méthode de prévision de PR pour un magasin régional Développement de méthodes de planification dapprovisionnement entre central et régional Vallourec Proposition et évaluation dune méthode de prévision de la demande Développement de méthodes de planification de production Demandes des partenaires 1.Cf projet OSA 2 points (organisation magasin & mesure stock magasin) doivent y être résolus avant de travailler sur les prévisions et les approvisionnements en eaux 2.Proposition de stage (Gefco) Qualification des prévisions clients, du référentiel pièce et du référentiel transport pour améliorer lintégration des données de prévision Transformation de la prévision client en prévision transport (Agrégation de données)

18 18 Mise en perspective du sujet Problématique Classifications Synthèse bibliographique

19 19 Problématiques industrielles Objectifs Réduire le coût de la supply chain (stock, transport,…) Assurer un taux de service élevé pour améliorer la disponibilité des produits pour les clients Améliorer la qualité de la planification pour optimiser lutilisation des moyens Caractéristiques Demandes variables Manque de données Nombre de références élevé Grande variabilité Demandes intermittentes Nombreux intervenants Exemples Carrefour & Danone: Eaux Gefco: Pièces dassemblages PSA: Pièces détachées Vallourec: Tubes

20 20 Classification des produits Groupage de produits suivant différents paramètres (disponibilité, importance, prix, volume, rapidité de livraison, criticité,…) [Petrovic et al., 1992]; [Gajpal et al., 1994]; [Cohen et al., 1997]; [Regattieri et al., 2005] Classification spécifique aux PR [Gelders and van Looy, 1978]; [Duchessi et al., 1988]; [Cohen and Ernst, 1988]; [Fuller et alr., 1993]; [Prakash, et al., 1994]; [Porras and Dekker, 2008] Suivi de signal pour classer des produits [Alstrom and Madsen, 1996]

21 21 Demande régulière ou aléatoire Demande à forte ou faible rotation Classification et type de la demande Filtrage de la demande [Cachan and Fisher, 1997]; [Kalchschmidt et al., 2003] Classification par type dincertitude: [Mula et al., 2006]

22 22 Demande saisonnière Demande évolutive Demande intermittente [Ghobbar and Friend, 2002]; [Willemain et al., 2004]; [Syntetos et al., 2005]; [Boylan et al., 2006] Classification et type de la demande Filtrage de la demande [Cachan and Fisher, 1997]; [Kalchschmidt et al., 2003] Classification par type dincertitude: [Mula et al., 2006]

23 23 Synthèse bibliographique Classification suivant le type dapplication et le type de résolution adoptés Etude de la prévision Méthodes de planification et dapprovisionnement

24 24 1_ Synthèse bibliographique – Etude de la prévision Prévision pure Empirique Méthodes extrapolatives Modèle[Gardner & McKenzie, 1985]; [Collopy & Armstrong, 1992] Etude de la saisonnalité[Bunn & Vassilopoulos, 1999]; [Chen & Boylan, 2007] Méthodes causales et multi-variables Demande avec tendance[Hendry & Mizon, 1978]; [Dielbold, 2006] Modèle économique[Allen & Fildes, 2001]; [Campos et al., 2005] Méthodes élaborées (modèles non linéaires et réseaux de neurones) Réseaux de neurones artificiels[Zhang, 2000] Data mining[Tan et al., 2005]; [Olafsson, 2006] Modèles non linéaires[De Gooijer & Hyndman, 2006] Modèles explicatifs & jugements Delphi et échantillon de population[Morwitz, 2001]; [Muthy, 2007] Bayèsienne[Harrison & Steven, 1971] Review[Lawrence et al., 2006] Combinaisons de plusieurs méthodes Lissage exponentiel[Hyndman et al., 2008] Extrapolation[Fildes, 1989] Estimation de lincertitude et qualification Erreur future à partir de lerreur passée[Fildes & Makridakis, 1995] Approche avec lissage exponentiel[Taylor, 2007] Review[Hyndman & Koehler, 2006]

25 25 1_ Synthèse bibliographique – Etude de la prévision Application à lIndustrie Premier lien[Brown, 1963] Méthodes de sélection de modèles Premier travaux[Reid, 1972] Recherche de la méthode la plus appropriée[Meade, 2000] Review des méthodes de choix[Fildes & Ord, 2002] Impact de léchange dinformations sur le choix du modèle de prévision[Zhao et al., 2002] Demande intermittente Base de la prévision de cette demande[Croston, 1972] Modèle classique de la prévisions intermittente[Johnston & Boylan, 1996]; Correction de méthode de Croston[Syntetos & Boylan, 2001]; [Shenstone & Hyndman, 2005]; [Shale et al., 2006] Méthode de prévision non paramétrée[Willemain et al., 2004] Méthode causale (loi de maintenance)[Ghobbar and Friend, 2003] Planification de la Supply Chain, gestion de stock, demande aléatoire, collaboration, échanges dinformations Impact de léchange dinformation sur le « bullwhip effect »[Chen et al., 2000] Effet de léchange dinformation (stock et demande) sur la supply chain[Aviv, 2002] Impact du VMI sur la supply chain[Yu et al., 2002] Effet de lincertitude sur la supply chain[Cachon & Larivière, 2001]

26 26 1_ Synthèse bibliographique – Etude de la prévision Application au Marketing Nouveaux produits Utilisation des 1 ère ventes et expérience[Bass, 1969] Comportement consommateur[Green et al., 2001] Analogie avec produits similaires[Thomas, 2006] Effet marketing, modélisation de marchés Lien entre prix, promotion et demande [Divakar et al., 2005] Relation client, Utilisation des bases de données (data mining) Prévision dynamique du comportement des consommateurs [Baesens et al., 2004] Effet du marketing direct réalisé à partir d'observation et de scénario Kaefer et al., 2005]: Autres applications Long terme Comptabilité, Finance

27 27 2_ Synthèse bibliographique – Etude de la planification et de lapprovisionnement Planification générale (AP) Initiateur de l'intégration de l'incertitude dans les modèles analytiques[Dantzig, 1955] Correspondance entre modèle série et modèle non-série [Rosling, 1989]; [Langenhoff & Zijm, 1990]: Planning de production hiérarchique (HPP) Modèle analytique à 2 niveaux et demande incertaine [Grefer & Zäpfel, 1995]: Modèle analytique multi-période avec demande aléatoire et panne de la production[Meybodi & Foote, 1995]:

28 28 2_ Synthèse bibliographique – Etude de la planification et de lapprovisionnement Planification des besoins en matières et ressources (MRP & MRP2) Ajustement de la production suivant loi de défaillance de la production aux différentes opérations[Hegseth, 1984] Review incertitude de qualité[Murthy & Ma, 1991] LRP (Line requirement planning)[Donselaar, 1992, 2000] Modèle analytique MRP2 avec demande incertaine [Zapfel, 1996] Approche dynamique pour diminuer lincertitude liée au lead-time (DAA)[Hatchuel et al., 1997] Modèle conceptuel de dimensionnement des stocks tampons et de leur localisation[Caridi & Cigolini, 2000]

29 29 2_ Synthèse bibliographique – Etude de la planification et de lapprovisionnement Gestion des stocks (IM) – demande aléatoire stationnaire Modèles analytiques Problèmes de gestion de stock multi-échelon[Dils & De Kok, 1996] Minimisation du coût logistique de réapprovisionnement sous contrainte de taux de service dans système à 3 niveaux[Ganeshan, 1999] Système de distribution de stock multi-échelon et analyse de l'effet de la variabilité de la demande sur la politique de stock, et les paramètres logistiques [Kelle & Milne, 1999] Nouveau modèle de vendeur de journaux pour problème d'approvisionnement multi- période et multi-composant d'un système d'assemblage avec demande fixe mais délai de livraison variable[Ould-Loudy & Dolgui, 2004] Modèles dintelligence artificielle Modèle EOQ avec la théorie des séries floues[Park, 1987] Evaluation des paramètres probabilistes de deux modèles EOQ[Hojati, 2004] Modèle de gestion de stock basé sur la logique floue. Révision périodique du niveau de stock avec quantité de commande variable[Samanta & Al-Araimi, 2001]

30 30 2_ Synthèse bibliographique – Etude de la planification et de lapprovisionnement Planification dapprovisionnement (SCP) – demande prévisible avec incertitude Modèles conceptuels Mesure de la flexibilité d'une SC et des gains possibles avec relation client/fournisseur [Das & Abdel-Malek, 2003] Modèles analytiques Modèle analytique de planification des approvisionnements avec demande incertaine basé sur programmation stochastique[Escudero, 1994] Gestion de la supply chain dans l'industrie automobile sous programmation mathématique et modélisation de scénarii[Schumann Consortium, 1998] Développement d'un outil d'aide à la décision pour la planification de la Supply Chain basé sur la programmation stochastique et l'optimisation sous incertitude[Koutsoukis et al., 2000] Utilisation de scénarii pour modéliser l'incertitude environnementale dans l'industrie automobile[Lario et al., 2001] Planification tactique dans la supply chain avec demande incertaine avec programmation stochastique[Gupta & Maranas, 2003] Modèles dintelligence artificielle Détermination stock et ordre de fabrication sur un horizon fini sous contraintes de taux de service et de coût dans un environnement incertain[Petrovic et al., 1998, 1999] Outil de simulation et d'analyse d'une SC avec incertitude modélisée par des séries floues [Petrovic et al., 2001]

31 31 Conclusion – pistes de recherche Méthodes dévaluation des prévisions Empirique Saisonnalité Tendance Statistique Incertitude Méthodes de planification de production et dapprovisionnement Ajustement et dimensionnement de la production et des approvisionnements Approche dynamique et flexibilité Utilisation de scénarii Modélisation et simulation

32 32 Présentation des deux pistes de sujets Etude de la robustesse de la planification Le but est de qualifier la robustesse des modèles de planification en fonction du coût de leurs inexactitudes. Pour cela, on compare trois planifications: La planification a priori, réalisée en considérant la prévision comme exacte; la planification a posteriori, en considérant la prévision initiale et son erreur (écart type, biais, espérance); et la planification optimale, en considérant la demande réelle a posteriori. Demande réelle Planification optimale Planification a priori Planification a posteriori

33 33 Présentation des deux pistes de sujets Etude de la planification en univers incertain La prévision de la demande étant connue avec une incertitude donnée (écart type, espérance, biais), une planification est réalisée pour les n pas de temps suivant. Après a pas de temps, la prévision ayant évoluée, une replanification est réalisée pour n pas de temps. Quelle est la meilleure méthode de planification permettant de minimiser les variations lors de la replanification? Dans un premier temps, étude avec le cas mono-produit suivant une politique de lotissement de Wagner-Whitin. La demande est connue avec un écart type donné. Quel est la meilleure méthode de planification? Demande prévue Période 1 Demande prévue Période 3 Demande prévue Période 2 Planification période 1 Planification période 3 Planification période 2


Télécharger ppt "1 Séminaire doctorant 1 ère année de thèse 25 05 2009 Thèse: Intégration de la prévision de la demande et de loptimisation de la planification de la production."

Présentations similaires


Annonces Google